論文の概要: CephRes-MHNet: A Multi-Head Residual Network for Accurate and Robust Cephalometric Landmark Detection

• arxiv url: http://arxiv.org/abs/2511.10173v1
• Date: Fri, 14 Nov 2025 01:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.729879
• Title: CephRes-MHNet: A Multi-Head Residual Network for Accurate and Robust Cephalometric Landmark Detection
• Title（参考訳）: CephRes-MHNet: 高精度かつロバストなケパロメトリランドマーク検出のためのマルチヘッド残差ネットワーク
• Authors: Ahmed Jaheen, Islam Hassan, Mohanad Abouserie, Abdelaty Rehab, Adham Elasfar, Knzy Elmasry, Mostafa El-Dawlatly, Seif Eldawlatly,
• Abstract要約: 本稿では,多頭部残差畳み込みネットワークであるCephRes-MHNetについて紹介する。 Aarizometric data of 1,000 radiographsで訓練され、CephRes-MHNetは平均半径誤差(MRE)が1.23mm、成功検出率(SDR)が85.5%に達した。
• 参考スコア（独自算出の注目度）: 0.35132824436572685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate localization of cephalometric landmarks from 2D lateral skull X-rays is vital for orthodontic diagnosis and treatment. Manual annotation is time-consuming and error-prone, whereas automated approaches often struggle with low contrast and anatomical complexity. This paper introduces CephRes-MHNet, a multi-head residual convolutional network for robust and efficient cephalometric landmark detection. The architecture integrates residual encoding, dual-attention mechanisms, and multi-head decoders to enhance contextual reasoning and anatomical precision. Trained on the Aariz Cephalometric dataset of 1,000 radiographs, CephRes-MHNet achieved a mean radial error (MRE) of 1.23 mm and a success detection rate (SDR) @ 2.0 mm of 85.5%, outperforming all evaluated models. In particular, it exceeded the strongest baseline, the attention-driven AFPF-Net (MRE = 1.25 mm, SDR @ 2.0 mm = 84.1%), while using less than 25% of its parameters. These results demonstrate that CephRes-MHNet attains state-of-the-art accuracy through architectural efficiency, providing a practical solution for real-world orthodontic analysis.
• Abstract（参考訳）: 2次元頭蓋骨X線からの脳波像の正確な局在は矯正的診断と治療に不可欠である。 手動のアノテーションは時間がかかりエラーが発生しやすいが、自動化されたアプローチは低いコントラストと解剖学的複雑さに悩まされることが多い。 本稿では,多頭部残差畳み込みネットワークであるCephRes-MHNetについて紹介する。 このアーキテクチャは、残留エンコーディング、二重アテンション機構、マルチヘッドデコーダを統合し、文脈的推論と解剖学的精度を高める。 ケフレス-MHNetは、1,000個のラジオグラフィーのアリズケパロメトリデータセットに基づいて、平均半径誤差(MRE)1.23mm、成功検出率(SDR)@2.0mm(85.5%)を達成し、評価された全てのモデルを上回った。 特に、アテンション駆動のAFPF-Net(MRE = 1.25 mm、SDR @2.0 mm = 84.1%)という最強のベースラインを超え、パラメータの25%以下を使用した。 これらの結果から,CephRes-MHNetは建築の効率性を通じて最先端の精度を達成し,現実の矯正矯正分析の実用的なソリューションを提供することが示された。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Self-CephaloNet: A Two-stage Novel Framework using Operational Neural Network for Cephalometric Analysis [0.0]
  本稿では,エンドツーエンドのディープラーニングフレームワーク(Self-CepahloNet)を提案する。 セルフオペレーショナルニューラルネットワーク(Self-ONN)は、複雑な特徴空間に対して優れた学習性能を示す。 我々のモデルは2mmの範囲で頭蓋計測のランドマークを検出するのに、顕著な70.95%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-01-19T08:37:27Z)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
  本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。 これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-05T02:41:46Z)
• CTVR-EHO TDA-IPH Topological Optimized Convolutional Visual Recurrent Network for Brain Tumor Segmentation and Classification [1.2499537119440245]
  我々は,脳腫瘍の分類と分類のためのトポロジカルデータ解析に基づく改良型永続ホモロジーと畳み込み移動学習と視覚的反復学習モデルを開発した。 他の既存の脳腫瘍の分類モデルと比較して、提案されたCTVR-EHOおよびTDA-IPHアプローチは、高い精度(99.8%)、高いリコール(99.23%)、高い精度(99.67%)、高いFスコア(99.59%)を示す。
  論文  参考訳（メタデータ） (2022-06-06T07:04:05Z)
• Voxelmorph++ Going beyond the cranial vault with keypoint supervision and multi-channel instance optimisation [8.88841928746097]
  近年のLearn2Regベンチマークでは,単スケールU-Netアーキテクチャーは腹部または患者内肺登録の最先端性能に劣っている。 本稿では、この精度のギャップを大幅に減らすための2つの簡単な手順を提案する。 まず、離散化されたヒートマップを予測する新しいネットワークヘッドを備えたキーポイント・セルフスーパービジョンを用いる。 次に、複数の学習した微調整ステップを、手作りの機能とAdamオプティマイザでひとつのインスタンスに置き換える。
  論文  参考訳（メタデータ） (2022-02-28T19:23:29Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• Structure-Aware Long Short-Term Memory Network for 3D Cephalometric Landmark Detection [37.031819721889676]
  本研究では,3次元ランドマーク検出のための構造対応長短期記憶フレームワーク(SA-LSTM)を提案する。 SA-LSTMは、まず、ダウンサンプリングCBCTボリューム上の熱マップ回帰によって粗いランドマークを見つける。 その後、高解像度の収穫パッチを使用して、注意深いオフセット回帰によってランドマークを徐々に洗練する。 実験の結果,提案手法は効率と精度で最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-21T06:35:52Z)
• Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
  ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。 本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。 提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2021-05-14T19:40:16Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。